重点关注点:在求解ARMA(自动回归移动平均)模型时,是否存在唯一的解决方案?应用平方误差最小化来找出答案。
正如在上一个帖子,ARMA模型是AR和MA模型的混合广义模型。给定一个信号x(n)与找到合适的ARMA过程模型相比,AR模型最容易找到。让我们看看为什么会这样。
AR模型误差及其最小化
在AR模型中,当前输出样本x(n)和过去N-1号机组输出样本决定源输入宽[宽]。表征该模型的差分方程如下所示
![x[n]+a_1x[n-1]+a_2 x[n-2]+\cdots+a_Nx[n-n]=w[n]](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
可以从另一个角度查看模型,其中输入噪声w[n]被视为错误–当前输出样本之间的差异x(n)和预测样本x(n)从上一个N-1号机组输出样本。让我们称之为“AR模型错误“.重新排列差分方程,
![\显示样式{w[n]=x[n]-\左(-\和^{无}_{k=1}a_kx[n-k]\右)}](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
括号内的总和项被视为过去预测的输出样本N-1号机组输出样本及其差异是误差w[n].
系数的最小二乘估计——一k个通过计算平方误差相对于一k个并将其等效为零-找到最小值。从上面的方程式中,w个2[无]是我们希望最小化的平方误差。在这里,w个2[无]是未知模型参数的二次方程一k个二次函数具有唯一的极小值,因此更容易找到一k个通过最小化w个2[无].
ARMA模型误差及其最小化
该模型的特征差分方程如下所示
![\开始{aligned}x[n]+a_1 x[n-1]+\cdots+a_n x[n-n]=&b_0 w[n]+b_1 w[n-1]+\\&&\cdots+b_M w[n-M]\end{aligned}](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
重新排列,ARMA模型错误w[n]由提供
![\显示样式{w[n]=x[n]-\左(-\和^{无}_{k=1}a_k x[n-k]+\总和^{米}_{k=1}b_kw[n-k]\右)}](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
现在,预测器(括号内的项)考虑输入和输出样本的过去值的加权组合。
平方误差,w个2[无]不是二次函数,我们有两组未知数–一k个和b条k个因此,可能没有唯一的解决方案可用于最小化此平方误差,因为多个最小值构成了一个困难的数值优化问题。
评价此文章: ![可怜的 可怜的](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
![低于平均水平 低于平均水平](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
![平均 平均](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
![很好 很好](data:image/svg+xml,%3Csvg%20xmlns='http://www.w3.org/2000/svg'%20viewBox='0%200%201%201'%3E%3C/svg%3E)
(三平均票数:5(共5个)
相关主题:
供进一步阅读
[1]Thiesson等人,“用图形模型进行ARMA时间序列建模”,《第二十届人工智能不确定性会议论文集》,2004年7月↗
作者的书籍